Come spiega IBM nel blog di IBM Research, il modo in cui camminiamo — il nostro gait — può rivelare molto più di quanto si immagini. Caratteristiche sottili nella lunghezza del passo, nella simmetria tra lato destro e sinistro e nella tempistica dei movimenti possono rappresentare i primi segnali di condizioni neurologiche come il Parkinson, la paralisi cerebrale, il declino cognitivo e la demenza. Ma le valutazioni cliniche tradizionali del gait si basano in gran parte sull’osservazione visiva, un approccio limitato da soggettività, tempo e contesto. Questo sta iniziando a cambiare, sottolinea IBM.
In una nuova collaborazione tra IBM Research e Cleveland Clinic, un team di scienziati e medici ha sviluppato un approccio innovativo alla gait analysis, applicabile a un’ampia gamma di condizioni neurologiche e configurazioni di sensori, inclusi dispositivi comuni come fotocamere degli smartphone e wearable. Al centro del progetto c’è un nuovo modello AI foundation, informalmente chiamato GaitFM, che apprende i pattern del movimento umano a partire da un dataset ricco e diversificato, composto in gran parte da dati sintetici. Il modello è stato progettato per il mondo reale, dove i dati dei pazienti sono scarsi e le condizioni tutt’altro che ideali, sia dentro che fuori dalla clinica.
“La gait analysis basata su AI ha un enorme potenziale per migliorare la diagnosi delle patologie neurologiche e monitorare la risposta ai trattamenti,” ha dichiarato il neurologo James Liao, Cleveland Clinic, co-lead del progetto. “Il nostro obiettivo è portare questo strumento fuori dalle condizioni idealizzati dei laboratori e nella pratica clinica quotidiana, offrendo a medici e pazienti valutazioni consistenti e oggettive.”
Questo lavoro fa parte del Discovery Accelerator, un centro congiunto che unisce la ricerca e la competenza clinica della Cleveland Clinic con la leadership globale di IBM nelle tecnologie computazionali.
Perché il gait conta e come i dati sintetici abilitano la valutazione reale
Il gait non è solo questione di velocità di cammino, mettono in evidenza i ricercatori IBM. È un insieme complesso di lunghezza del passo, coordinazione articolare, appoggio del piede e postura. Queste sfumature possono fornire segnali clinici cruciali, ma spesso sono difficili da rilevare, anche per i professionisti esperti. I modelli AI esistenti faticano a generalizzare su popolazioni, patologie, condizioni di monitoraggio e tecnologie di rilevamento diverse. Persino una variazione nell’angolazione della videocamera può compromettere le prestazioni.
“La maggior parte dei modelli di gait attuali è addestrata su dataset piccoli e limitati a una singola malattia, fascia d’età o tipo di sensore,” ha spiegato Yasunori Yamada, senior research scientist di IBM Research e primo autore dello studio. “Questo li rende difficili da scalare e poco applicabili nella pratica clinica.”
Qui entrano in gioco i dati sintetici. I ricercatori hanno utilizzato un modello generativo AI con simulazioni muscoloscheletriche fisicamente fondate del cammino. Questi dati non sono “falsi”: sono radicati nella biomeccanica e progettati per emulare gli effetti di età, disturbi neurologici e variabilità dei sensori. Il team ha generato migliaia di variazioni ad alta fedeltà del gait, coprendo un ampio spettro di tipologie corporee, condizioni patologiche, sensori indomabili e angoli di ripresa. Questi synthetic gait forniscono dati diversificati, scalabili e modulabili, aiutando i modelli AI a generalizzare.
I dati sintetici insieme a quelli reali sono migliori di entrambi presi singolarmente
Il modello AI – spiega ancora IBM – è stato pre-addestrato su sequenze sintetiche di gait e successivamente ottimizzato con dati clinici reali di pazienti affetti da Parkinson, paralisi cerebrale e demenza. Come riportato di recente su Nature Communications, questo approccio ibrido ha garantito prestazioni allo stato dell’arte (o superiori) nell’analisi dei parametri del cammino e nella classificazione/predizione clinica, utilizzando solo una frazione dei dati reali generalmente richiesti.
Due aspetti sono particolarmente rilevanti, puntualizzano i ricercatori IBM. Il primo è la generalizzazione data-efficient: con pre-training sui dati sintetici, il modello ha richiesto solo una parte dei dati reali per eguagliare o superare i benchmark correnti. Persino senza accesso a dati clinici, i modelli addestrati unicamente su gait sintetici sono riusciti a stimare caratteristiche clinicamente significative, talvolta superando le performance dei modelli basati solo su dati reali.
Il secondo aspetto è l’applicabilità multimodale: i dati sintetici sono stati generati per più modalità sensoriali, inclusi video, accelerometri ed elettromiografia (EMG). Questo consente l’utilizzo in una vasta gamma di contesti clinici e domestici. In un caso notevole, un modello addestrato esclusivamente su dati sintetici è riuscito a stimare l’attività muscolare degli arti inferiori utilizzando soltanto un feed video. Questa flessibilità secondo i ricercatori IBM apre la strada ad analisi del movimento dettagliate senza necessità di apparecchiature specialistiche.
“È così che la digital health diventa realtà,” ha affermato Jeff Rogers, global research leader per la digital health di IBM. “Combinando l’expertise clinica con strumenti AI scalabili, stiamo superando la fase di proof-of-concept per arrivare all’utilità clinica concreta.”
Questo approccio synthetic-to-real offre un potenziale particolarmente rilevante per le condizioni rare o sottorappresentate, dove la scarsità di dati ha storicamente frenato l’innovazione dell’AI. Simulando gait per queste popolazioni e affinando il modello con piccoli dataset clinici, si favorisce lo sviluppo di strumenti diagnostici accurati, equi e scalabili.
Una base per l’healthcare basato sul gait
Il risultato di questo lavoro – sottolinea IBM – è GaitFM, il foundation model per l’analisi del gait capace di interpretare video da una singola fotocamera, senza la necessità di sensori di laboratorio o sistemi di motion capture. GaitFM ha ricevuto il Best Paper Award alla IEEE International Conference on Digital Health 2025 a luglio a Helsinki ed è già in fase di pilot deployment alla Cleveland Clinic.
“Una volta dimostrata l’affidabilità clinica dei modelli addestrati su dati sintetici, potremo scalare l’uso nel mondo reale: registrare più gait, migliorare il modello e innescare un circolo virtuoso,” ha sottolineato Liao. “Ma i dati sintetici resteranno sempre fondamentali per ottenere la flessibilità necessaria a valutare i pazienti dentro e fuori dalla clinica, coprendo casi limite, malattie rare e nuovi dispositivi.”
Dai passi simulati alla cura reale dei pazienti, conclude IBM, questa collaborazione rappresenta una tappa significativa nel modo in cui l'intelligenza artificiale può imparare dai movimenti e aiutare i pazienti a mantenere la loro salute.
